利用多目标量子粒子群算法求解背包问题

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (26): 43-45.

利用多目标量子粒子群算法求解背包问题

刘金江，刘峰

南阳师范学院计算机与信息技术学院，河南南阳 473061

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-11 发布日期:2011-09-11

Multi-objective quantum particle swarm optimization based on game theory for knapsack problem

LIU Jinjiang，LIU Feng

College of Computer and Information Technology，Nanyang Normal University，Nanyang，Henan 473061，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-11 Published:2011-09-11

摘要/Abstract

摘要： 提出一种基于博弈论的多目标量子粒子群算法。算法中将每个目标函数看成是一个智能体，智能体控制种群往自己最有利的方向进行搜索，然后将它看成是参与博弈的一个参与人。采用存在一个博弈序列的重复博弈模型，在重复博弈中，并不是每次博弈都产生最大效益，而是要总的效益最大化。将算法用于求解多目标0/1背包问题。仿真实验结果表明，该算法能够找到接近Pareto最优前端的更好的解，同时维持解分布的均匀性。

关键词: 量子粒子群, 多目标优化, 背包问题, 博弈论

Abstract: This paper presents a multi-objective quantum Particle Swarm Optimization（PSO） based on game theory.The algorithm for each objective function will be seen as an agent，agent to control the populations of the direction of their most advantageous to search，and then participate in it as a game participant.With the existence of a sequence games of repeated game model，in repeated game，not every game has produced the maximum benefit，but to the overall maximum benefit.And the algorithm is solving multi-objective 0/1 knapsack problem.The simulation results show that this algorithm can be found near the Pareto optimal front of a better solution，while maintaining the uniformity of the distribution solution.

Key words: Quantum Particle Swarm Optimization（QPSO）, multi-objective optimization, knapsack problem, game theory

刘金江，刘峰. 利用多目标量子粒子群算法求解背包问题[J]. 计算机工程与应用, 2011, 47(26): 43-45.

LIU Jinjiang，LIU Feng. Multi-objective quantum particle swarm optimization based on game theory for knapsack problem[J]. Computer Engineering and Applications, 2011, 47(26): 43-45.

[1]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[4]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[5]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[6]	王军，曹雷，陈希亮，赖俊，章乐贵. 多智能体博弈强化学习研究综述[J]. 计算机工程与应用, 2021, 57(21): 1-13.
[7]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[8]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[9]	张铭，邓文瀚，林娟，钟一文. 改进蚁群优化算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(13): 85-95.
[10]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[11]	刘根旺，周颖，张磊，康增信. 基于博弈论的人员疏散演化研究[J]. 计算机工程与应用, 2020, 56(8): 49-54.
[12]	吴聪聪，贺毅朝，赵建立. 求解折扣{0-1}背包问题的新遗传算法[J]. 计算机工程与应用, 2020, 56(7): 57-66.
[13]	王妍，马秀荣，单云龙. Shapley值的LTE系统下行QoS感知资源调度[J]. 计算机工程与应用, 2020, 56(4): 76-81.
[14]	徐齐利. 讨价还价博弈均衡出价策略的算法设计[J]. 计算机工程与应用, 2020, 56(21): 170-175.
[15]	吴天纬，安斯光，孙崎岖，李梅，孙丽宏，申屠南瑛. 改进聚合树的高维多目标降维优化算法[J]. 计算机工程与应用, 2020, 56(21): 47-53.